همگام با پیشرفت های اخیر در سیستم های میکروالکترومکانیک، با مفهوم شبکه های حسگر بی سیم آشنا می شویم. این نوع شبکه ها متشکل از تعداد زیادی گره ارزان قیمت با قابلیت پردازش و ارتباط بی سیم هستند که با استفاده از حسگرهایی که در اختیار دارند بر مشخصه های محیط (دما، رطوبت، صوت و...) نظارت می کنند. گاه دانستن مختصات محل سنجش آن مشخصه به اندازه ی دریافت آن اهمیت پیدا می کند. الگوریتم های مکان یابی وظیفه ی مهم تعیین مختصات گره های شبکه ی حسگر را بر عهده می گیرند. برخی روش ها به سخت افزار و مدل های اندازه گیری فاصله ی میان گره ایی نیاز دارند و برخی دیگر به محاسبه ی دقیق زوایا وابسته اند. در این تحقیق یک قالب الگوریتمی توزیع شده ی مکان یابی ارائه می شود که برای نوعی از شبکه های حسگر بی سیم که گره ها توانایی اندازه گیری فاصله ی میان گره ایی را ندارند کاربرد دارد، در شرایطی که اطلاعات بسیار مبهم زوایا ممکن است وجود داشته و یا نداشته باشند. نوآوری های این تحقیق عبارتند از استفاده از مفاهیم پردازش تصویر از قبیل کاهش نویز و خوشه بندی در بهبود دقت مکان یابی، ارائه ی مفهومی آماری تحت عنوان بازه ی اطمینان سرشار به منظور تعیین دادهای نامعتبر-با احتمال زیاد، استفاده از مدل آزاد سازی سیستم جرم-فنر مستقل از تعیین فاصله ی میان گره ایی برای بهبود دقت مکان یابی و ارائه روشی برای به کارگیری اطلاعات قطاع دریافت پیام های ورودی در بهبود دقت مکان یابی. نتایج شبیه سازی نشان می دهد الگوریتم های ارائه شده حتی در ساده ترین پیکربندی خود مکان یابی را با دقت بهتری نسبت به الگوریتم های کلاسیک dv-hop، centroid و proximity انجام می دهد. روش ارائه شده ی discrete probabilistic dv-hop، تنها با افزودن سه پیام به طور متوسط بر تعداد پیام هایی که همان گره در dv-hop کلاسیک ارسال می کند و استفاده از 63 بایت حافظه به طور متوسط برای ذخیره ی تصویر شبکه؛ به طور میانگین 33% افزایش دقت مکان یابی آن الگوریتم را فراهم می کند، در نهایت با اعمال روال های بهبود به دقت متوسط 28% برد رادیویی گره در شرایط متوسط تعداد همسایگی کم (حدود متوسط همسایگی 6) در شبکه دست پیدا می کنیم. شبیه سازی با استفاده از زبان برنامه نویسی جاوا انجام گرفت و بر روی 899 گراف مختلف 5 الگوریتم مکان یابی (3 الگوریتم کلاسیک بالا و 2 الگوریتم ارائه شده) اجرا شد تا به نتایجی منتهی شود که حتی المقدور وابسته به نوع گرافی خاص نباشد

وب سرویس ها به واسطه ویژگی هایی از قبیل سادگی و استقلال از سکو، به بخش مهمی از وب تبدیل شده اند. لیکن این ویژگی ها، وب سرویس ها را در برابر بسیاری از تهدیدهای امنیتی جدید و قدیمی، آسیب پذیر می سازد. از آن جایی که سازمان ها به دنبال افزایش مزیت های رقابتی خود هستند، زیرساخت های مجازی خود را به منظور به اشتراک گذاری دانش گسترده نموده اند. با به وجود آمدن تعاملات میان وب سرویس ها، توجه به مبحث اعتماد، از اهمیت فراوانی برخوردار گردید. بسیاری از راه حل هایی که تا کنون برای ایجاد این اعتماد مطرح شده، با استفاده از استانداردهای عمومی و روش-های ایستا ارایه شده اند. بر همین اساس وجود سیستم تشخیص نفوذی که قادر به تشخیص انواع مختلفی از حملات بوده و بتواند پایگاه دانش خود را به صورت پویا به روز رسانی نماید، ضروری به نظر می رسید. از سوی دیگر، وجود سیستم های گوناگون امنیتی توسط تولیدکنندگان گوناگون با ساختارهای متفاوت، احتمال توانایی آن ها در همکاری با یکدیگر در محیط های معماری سرویس گرا را مشکل می نمود. به همین منظور در چارچوب پیشنهادی این پایان نامه، مکملی در تشخیص دهنده با استفاده از واژگان شناختی، به منظور ایجاد پایگاه دانشی مشترک و پویا از انواع حملات، معرفی شده است. ساختار این چارچوب، حاوی سه مرحله آموزش، تشخیص و یادگیری می باشد که پایگاه دانش معرفی شده بر مبنای واژگان شناختی، در مرحله آموزش ایجاد می گردد. در مرحله تشخیص، در صورت عدم موفقیت در تشخیص حمله، فاز یادگیری آغاز شده و واژه نامه به روز رسانی می گردد. بر اساس چارچوب معرفی شده، سیستم قادر است با استفاده از واژگان شناختی موجود، امکان تعامل بین سیستم های تشخیص نفوذ همکار را ایجاد نماید. از طرفی دیگر نیز سیستم های تعاملی قادر به استفاده از سیستم تشخیص نفوذ مشترک با یکدیگر بوده که در نهایت می توان از آن به عنوان مکمل دیواره آتش برای تامین امنیت استفاده نمود. به منظور بررسی و ارزیابی این چارچوب، حملات محدوده xml که شامل پنج دسته حمله xml injection، xpath injection، parsing، dom و sax انتخاب گردید. کارایی چارچوب پیشنهادی، بر روی نتایج بررسی های انجام شده بر روی مجموعه داده فراهم شده، با استفاده از الگوریتم شبکه بیز با میانگین نرخ کاذب 0078/0 نشان داده شده است.

گرید به عنوان الگوی جدیدی برای نسل بعدی بسترهای محاسباتی، تواناییِ به اشتراک گذاری، تجمیع و انتخاب منابعِ توزیع شده را فراهم می کند. گرید امروزه به عنوان یک فناوری حیاتی برای اجرای برنامه های با کارایی بالا مطرح شده است و با پیشرفت فن آوری، پروتکل ها و بسترهای آن، بی تردید در آینده استفاده از آن فراگیرتر خواهد شد. منابعِ به اشتراک گذاشته شده در گرید، عموماً ناهمگن بوده و به صورت جغرافیایی توزیع شده هستند. دسترس پذیری و سطح بهره برداری هر منبع وابستگی بسیاری به کاربر، زمان، اولویت ها و اهدافِ سیستم دارد. بنابراین یکی از مولفه های اصلی در گرید، سیستم مدیریت منابع است؛ که مسئولیت کشف منابع موجود در محیط گرید، تخصیص آن به برنامه های متقاضی و زمان بندی آن ها را بر عهده دارد. در این پژوهش به ارائه روشی برای کشف منابع در گرید پرداخته شده است. در روش ارائه شده از الگوریتم های مبتنی بر بهینه سازی کلونی مورچگان برای پیمایش گرید و کشف منابع در آن استفاده شده است، معیارهای تعیین میزان فرمون و انتخاب بهترین مورچه براساس مقادیر کیفیت سرویس منابع می باشد که به هر منبع اختصاص دارد. در این پژوهش تمرکز اصلی بر روی پشتیبانی از انواع پرس وجو در گرید برای کشف منابع بوده، که کمتر در کارهای مشابه بدان پرداخته شده است. انواع پرس وجوهای مطرح در این پژوهش، ساده (تطبیق دقیق)، محدوده ای و چندگانه می باشد. در پرس وجوی محدوده ای روشی مبتنی بر نگاشتِ بیتی ارائه شده است. و در پرس وجوی چندگانه، برای انتخاب بهترین دسته منابع از الگوریتم pso استفاده شده است. نوآوری های این پژوهش، استفاده از qos در فرمون گذاری و ارائه روش برای پرس وجوی محدوده ای می باشد. روش های ارائه شده در محیط شبیه سازی شده با ns2 و با پارامترهای مشابه گریدهای واقعی مورد تست و ارزیابی قرار گرفته است.

پویانمایی چهره یکی از موضوعات جالب توجه و مورد علاقه ی پژوهشگران است که کاربردهای متنوعی در ساخت واسط های تعاملی، ارتباطات از راه دور، پزشکی و ... دارد. پویانمایی با استفاده از بردارهای ویژگی یکی از روش های موجود در رویکرد مبتنی بر نمایش می باشد که در آن با استفاده از آنالیز چهره ی یک بازیگر، پارامترهای کنترل در قالب بردارهای ویژگی به طور خودکار استخراج شده، بر روی چهره اعمال می گردند. رویکرد دیگر پویانمایی چهره، قاب بندی کلیدی است که دنباله ای نرم از تغییرات چهره از یک حالت به حالت دیگر را با استفاده از درون یابی بین قاب های کلیدی تولید می کند. هدف از انجام این پژوهش، ترکیب روش قاب بندی کلیدی با روش استفاده از بردارهای ویژگی به منظور کاهش حجم اطلاعات مورد نیاز جهت پویانمایی است. تأثیر این کاهش حجم را می توان در کاربردهایی از قبیل کنفرانس ویدئویی و تلفن همراه تصویری جستجو نمود. به منظور نیل به این هدف، چارچوبی شامل دو فاز آنالیز و سنتز ارائه گردیده است. در فاز آنالیز روش احراز شایستگی به منظور انتخاب محتمل ترین کاندیدا از میان کاندیداهای محور تقارن چهره پیشنهاد گردیده است. همچنین روش نگاشت مبتنی بر ناحیه ی الگوی تغییر شکل پذیر که با ناحیه بندی چهره و کاهش تعداد تکرارها برای رسیدن به انرژی بهینه، موجب کاهش زمان اجرا و افزایش دقت روش نگاشت الگوی تغییر شکل پذیر می گردد، ارائه شده است. در فاز سنتز نیز روشی ساده به منظور اعمال بردار ویژگی بر روی چهره با استفاده از انطباق بر روی یک مدل تور عمومی و نگاشت بافت استخراج شده از قاب اول بر روی تصاویر دیگر قاب ها پیشنهاد گردیده است. با استفاده از این روش، برای بازسازی دنباله ی ورودی تنها اطلاعات مورد نیاز، تصویر قاب اول و بردارهای ویژگی قاب های دیگر دنباله است. به منظور ترکیب روش ارائه شده با روش قاب بندی کلیدی، روشی به منظور انتخاب قاب کلیدی بعدی از میان تعدادی قاب پیش نگر با استفاده از بیشینه ی جابجایی نقاط ویژگی در انتهای فاز آنالیز تبیین شده است. در نهایت نیز با استفاده از درون یابی خطی بین مقادیر بردارهای ویژگی قاب های کلیدی در انتهای فاز سنتز، به هدف مورد نظر در این پژوهش جامه ی عمل پوشانده ایم. نتایج به دست آمده از اجرای روش پیشنهادی بر روی پایگاه تصاویر احساسی و گفتاری tmu-emodb نشان دهنده ی دقت 99% در استخراج نواحی چهره و 88% در استخراج اجزای آن در آنالیز چهره و شباهت قابل قبول تصاویر بازسازی شده با استفاده از روش سنتز ارائه شده به تصاویر ورودی و نیز شباهت تصاویر سنتزشده ی با درون یابی به تصاویر سنتزشده ی بدون درون یابی است. روش سنتز نهایی، حجم اطلاعات ارسالی را تا میزان 30% کاهش می دهد، در حالی که تصاویر سنتز شده به وسیله ی آن نسبت به تصاویر ورودی، خطای میانگین مربعات 4.95 و تفاوت همبستگی 0.000629 داشته اند که نسبت به خطای روش بدون درون یابی قابل چشم پوشی است.

چکیده : مسمومیت بارداری ، یک مشکل شایع در حاملگی است وسالانه 8 تا 11 درصد حاملگی ها را در بر می گیرد و دومین عامل مرگ و میر مادران محسوب می شود. این وضعیت با فشار خون بالا و پروتئین اضافی در ادرار بعد از هفته 20 حاملگی روی می دهد که به آن فشار خون ناشی از بارداری نیز گفته می شود. این مسمومیت در صورتی که درمان نشده باقی بماند، می تواند منجر به عوارض جدی و کشنده برای مادر و جنین متولد نشده باشد. انجام مطالعات و پژوهشها در این حوزه از اهمیت فراوانی برخوردار است. در زمینه بررسی این بیماری، تا کنون مطالعات بسیاری در ایران و جهان صورت گرفته است اما اغلب آنها شامل تحلیلهای آماری و بالینی می باشند و با رویکرد داده کاوی و استخراج قوانین دسته بندی تا کنون مطالعه ای صورت نگرفته است. این مطالعه به صورت گذشته نگر به بررسی پارامترهای موثر در بیماری مسمومیت بارداری پرداخته و در نهایت مدلی را مبتنی بر الگوریتم ژنتیک برای استخراج قواعد ابتلا به مسمومیت بارداری ارائه میدهد. . داده های جمع آوری شده شامل542 مورد از سال1384 تا نیمه دوم سال 1388 در بیمارستان فاطمیه شهرستان همدان است و از الگوریتمهای انتخاب ویژگی ، نایو بیز ، درخت تصمیم گیری chaid والگوریتم ژنتیک برای انجام تحلیل استفاده شده است. پارامترهای جمع آوری شده از پرونده های بیماران شامل : سن مادر، هفته بارداری ، میزان پلاکت خون ، ast،alt ، سابقه فشار خون مزمن ، میزان پروتئین در ادرار ، شکم چندم و سابقه بیماریهای دیگر می باشد. نتایج حاصل حاکی از آن است که هفته بارداری ، میزان پروتئین و سابقه فشار خون نقش بسیار مهمی را در تعیین ابتلا به بیماری در زنان باردار بازی می کنند ، که این پارامترها در قواعد بدست آمده در الگوریتم ژنتیک نیز بخوبی نمایان است و می تواند در پیش بینی ابتلا به بیماری کمک قابل توجهی به پزشکان این حوزه نماید. نتایج این فرض را که تمامی پارامترهای مربوط به مادر نقش یکسانی در میزان ابتلا به این بیماری دارند ،رد می کند . با استفاده از الگوریتم انتخاب ویژگی درصد اهمیت تاثیر هر یک از پارامتر ها در ابتلا به بیماری بدست آمد و سپس از آن اعداد در الگوریتم ژنتیک به عنوان وزن ژنها استفاده شد، قواعد استخراج شده به تایید چند تن از افراد متخصص بیماریهای زنان و زایمان نیز رسیده است. همچنین از الگوریتم نایو بیز و درخت تصمیم نیز می توان برای ایجاد مدلی جهت دسته بندی داده ها و پیش بینی بهره برد که نحوه توزیع مقادیر پارامترها را درکلاس بیماری بصورت قابل درکی بیان میکنند. در هر دو رویکرد پارامتر پروتئین بسیار حائز اهمیت شناخته شده و در کلاس بندی داده ها نقش مهمی دارد.

هر شبکه حسگر بی سیم (wsn) از تعداد زیادی گره حسگر تشکیل می شود که در یک محیط پراکنده شده و داده های مختلفی را جمع آوری می کنند. گره های حسگر در توان پردازشی، انرژی و پهنای باند دارای محدودیت هایی هستند. این محدودیت ها، شبکه های حسگر را در برابر حملات مختلفی در معرض خطر قرار می دهد. از شبکه های حسگر بی سیم در کاربردهای مختلفی از قبیل نظارت بر محیط و میادین جنگی استفاده می شود. به دلیل طبیعت بحرانی این کاربردها، تشخیص ناهنجاری در شبکه های حسگر بی سیم از اهمیت زیادی برخوردار است. ناهنجاری در شبکه های حسگر بی سیم ممکن است به علت خرابی گره ها یا وجود گره های سازش کار در شبکه باشد. یکی از چالش های مهم در طراحی شبکه های حسگر بی سیم وجود محدودیت در مصرف انرژی گره ها است. بنابراین، هر رویکرد امنیتی برای تشخیص ناهنجاری در این شبکه ها باید از دقت بالایی برخوردار بوده و در مصرف انرژی گره ها صرفه جویی کند. در این پژوهش، دو رویکرد توزیع شده برای تشخیص ناهنجاری در شبکه های حسگر بی سیم ارائه می شود. رویکرد اول با نام dpcaad برای تشخیص ناهنجاری در داده های جمع آوری شده توسط گره های حسگر در یک شبکه حسگر بی سیم ارائه شده است که با انجام پردازش درون شبکه ای هزینه ارتباطاتی را کاهش می دهد. در این رویکرد از تحلیل مولفه های اصلی توزیع شده (dpca) و الگوریتم خوشه بندی پهنا ثابت (fwc) برای ایجاد نمای عادی سراسری و تشخیص ناهنجاری استفاده می شود. همچنین، با استفاده از ضرایب وزن دار حاصل از منحنی فراموشی نمای عادی سراسری به روزرسانی می شود. رویکرد دوم با نام pcadid برای تشخیص ناهنجاری در ترافیک شبکه ارائه شده است که مصرف انرژی و حافظه در شبکه را با توزیع فرآیند ایجاد و به روزرسانی نمای عادی بین تمام گره های ناظر کاهش می دهد. در این رویکرد در هر گره ناظر یک زیرنمای متفاوت از ترافیک عادی شبکه ایجاد می شود. مجموعه این زیرنماها، نمای سراسری ترافیک شبکه را تشکیل می دهد. سپس گره های ناظر از نمای عادی سراسری تشکیل شده برای تشخیص حملات مسیریابی استفاده می کنند. برای ارزیابی کارآیی dpcaad از داده های واقعی جمع آوری شده توسط گره های حسگر در آزمایشگاه اینتل- برکلی استفاده شده است. نتایج آزمایش های انجام شده نشان می دهد که رویکرد پیشنهادی از نرخ تشخیص قابل مقایسه ای نسبت به رویکرد تشخیص ناهنجاری متمرکز برخوردار می باشد، در حالی که هزینه ارتباطی را به طور قابل ملاحظه ای کاهش می دهد. برای ارزیابی کارآیی pcadid شبکه حسگر بی سیم با استفاده از بسته گسترش داده شده توسط آزمایشگاه تحقیقاتی ناوال روی ns2 شبیه سازی شد و کارآیی آن در برابر حملات گودال فعال و غیرفعال مورد ارزیابی قرار گرفت. نتایج حاصل از آزمایش ها نشان می دهند که رویکرد پیشنهادی از کارآیی قابل توجهی در تشخیص این حملات برخوردار است.

استخراج الگوی نهفته داده ها در یک شبکه حسگر، تمرکز اصلی این پژوهش است. توزیع شدگی داده ها و منابع محاسباتی در سطح گره ها، در کنار محدودیت های منبع تغذیه و پهنای باند ارتباطی، از اصلی ترین چالش های فراروی این پژوهش اند. هر چند در علم یادگیری ماشین و داده کاوی رویکردهای شناخته شده ای برای این منظور وجود دارند، اما ماهیت متمرکز و پیچیدگی محاسباتی، استفاده مستقیم آنها در شبکه های حسگر را دشوار می کنند. رویکرد کشف الگوی داده ها با دیدگاه بهینه سازی راه حل مناسبی را پیشنهاد می کند که در آن، مسئله یادگیری مدل داده ها به یک مسئله بهینه سازی تبدیل می شود. به این ترتیب فرصت بکارگیری رویکردهای مختلف بهینه سازی با هدف مدل کردن داده ها در محیط شبکه های حسگر فراهم می شود. رویکردهای افزایشی مبتنی بر گرادیان و nelder-mead simplex، با دیدگاه بهینه سازی فوق و در یک رَویه گره به گره به یادگیری مدل داده ها می پردازند. دقت پایین این رویکردها در مقایسه با روش متمرکز و میزان تاخیر ساخت مدل، مشکل مشترک آنها و انگیزه ارائه این پژوهش هستند. شالوده راهکارهای پیشنهادی بر محاسبات تکاملی استوار است. بنابراین میزان مصرف انرژی جدی ترین چالشی است که در کنار اهداف فوق باید به دقت مورد بررسی قرار گیرد. از میان الگوریتم های تکاملی، روش بهینه سازی ذرات، با توجه به مدیریت بهتر آن در محیط های توزیع شده به عنوان پایه رویکرد پیشنهادی قرار داده شده است. با بهره گیری از مفاهیم بهینه سازی چندهدفی مسئله رگراسیون توزیع شده در قالب یک مسئله چندهدفه مدل شده و روش dvep روی مسیر هامیلتونی، به مانند دیگر روش های افزایشی، به یادگیری مدل داده ها می پردازد که به لطف استفاده از یک الگوریتم تکاملی، با پویش بهتر فضای جستجو به دقت بالاتری دست می یابد. با اجرای درون خوشه ای روش فوق، روش idvep ارائه می شود که بدلیل حضور همزمان بیش از یک مدل کاندید، دقت نهایی به میزان قابل ملاحظه ای بهبود می یابد. با حذف مسیر سریال بین گره ها، روش dp ارائه می شود که در دو گام عمده، یادگیری مدل خوشه ها و ترکیب آنها، رگراسور شبکه را بدست می آورد. با شناسایی نقاط ضعف روش dp، بهبودهایی در هر مورد پیشنهاد می شود. سپس با هدف حذف مهاجرتهای صریح ذرات، که یکی از چالشهای روش dp است، با بهره گیری از خصوصیات ویژه الگوریتم جستجوی هارمونی، مکانیزم هارمونیک مدیریت ذرات معرفی و روش hdp ارائه می شود. مکانیزم فوق، کاهش چشمگیر تعداد گامهای مهاجرت ذرات و پیامد آن مصرف انرژی را موجب می شود. در نهایت با بکارگیری و تطبیق تکنیک boosting، افت دقت مدل که حاصل شبیه سازی متمرکز عملکرد مکانیزم مهاجرت ذرات است، مدلی تقویت شده توسط روش bhdp بدست می آید. تمامی روش های ارائه شده در این پژوهش با روشهای افزایشی مبتنی بر گرادیان، سیمپلکس و متمرکز بر اساس دقت پیش بینی، تاخیر، میزان انرژی مصرفی، و تحمل پذیری خرابی مورد مقایسه قرار گرفته اند. به این منظور از داده های دو شبکه واقعی و مصنوعی، در مجموع سه مجموع? آموزشی، استفاده شده است. محیط توزیع شده و خصوصیات خاص شبکه های حسگر موجب می شود ارضاء همزمان معیارهای ارزیابی توسط هیچ یک از روش ها امکان پذیر نباشد. از اینرو انتخاب هر یک از روش های پیشنهادی بستگی به کاربرد و درجه اهمیت هر یک از معیارها از دید کاربر نهایی شبکه دارد.

از عمده دلایل شکست پروژه های فناوری اطلاعات, عدم مشارکت کاربران سیستم و درک ناصحیح متخصصان فناوری اطلاعات از نیازها و احتیاجات آنان می باشد. جهت فایق آمدن به این مسایل وجود روشی میانی که فهم و درک آن برای متخصصان کسب وکار آسان بوده و از طرفی متخصصان فناوری اطلاعات را در فهم نیازها و احتیاجات کاربران سیستم, یاری رساند مورد نیاز می باشد. متد سیستم کار توسط التر در سال 1996 بیان شده و در طی یک دهه توسعه داده شده است. در واقع این روش با رویکردی فنی- اجتماعی به متخصصان کسب وکار کمک می کند تا به درکی روشن از موقعیت کسب وکارشان برسند. دستاورد مدلسازی خدمت گرا, تکنیکهای مدلسازی، تحلیل، طراحی و اساس معماری خدمت گرا را فراهم می کند. در واقع این مدلسازی مولفه های لایه معماری خدمت را شناسایی کرده و چگونگی عینیت بخشی آنها را مورد بررسی قرار می دهد. در مدلسازی خدمت گرا ارتباط مبهم و ناچیزی بین این سبک معماری و دیگاه فنی- اجتماعی وجود دارد در حالی که استفاده از دیدگاه های مختلف مبتنی بر خدمت مانند متد سیستم کار پتانسیل ارزشمندی را جهت تحلیل کسب وکار ایجاد می کند. با توجه به خلاء موجود در این حوزه، تحقیق پیش رو از متد سیستم کار به عنوان روشی میانی و کاربرمحور استفاده کرده و پس از مقایسه آن با دیگر رویکردهای فنی- اجتماعی و بررسی متدهای مطرح در فاز شناسایی خدمتها, الگویی تلفیقی از متد سیستم کار و متد arsanjani جهت بکارگیری در فاز شناسایی مدلسازی خدمت گرا ارایه کرده است. در نهایت جهت اعتبار بخشیدن به طرح مذکور, پس از بررسی الگوی ارایه شده در چاچوب مطرح شده توسط boerner و goekenاز موردکاوی فرآیند اسناد پزشکی, بیمه گری و نظارت سازمان بیمه خدمات درمانی استفاده شده است. بدین صورت که پس از بررسی فرآیندهای مذکور از دو روش الگوی تلفیقی و arsanjani خدمتهای استخراج شده از هر روش, از نقطه نظر فراوانی استفاده و میزان مقبولیت کارشناسان اداره بیمه خدمات درمانی استان اصفهان, مورد بررسی قرار گرفته است. کلید واژه ها : متد سیستم کار, مدلسازی و معماری خدمت گرا, رویکرد فنی- اجتماعی

با توجه به ساختار اینترنت که در ابتدا برای تبادل اطلاعات و دانش در محیط های علمی و دانشگاهی و بر اساس اعتماد متقابل بنا شده است، در پروتکل ارتباطی tcp/ip هیچ گونه تأیید هویتی برای طرفین در یک ارتباط انجام نمی شود و با توجه به نوع شبکه و گستردگی کاربری آن و تعداد کاربران آن، پیاده سازی عملیات تأیید هویت به صورت فراگیر بسیار مشکل است. در سال های اخیر نوع کاربری اینترنت بسیار گسترده تر شده است و بسیاری از تراکنش های مالی و اطلاعات حساس تجاری را نیز در برگرفته است و این مسئله باعث ظهور جرم های اینترنتی و سوءاستفاده از شبکه اینترنت شده است. به دلیل عدم کارایی مطلوب سیستم های دفاعی، بحث ردگیری و پیگیری مجرمان اینترنتی بسیار مهم شده است. هر چند نرم افزارها و سخت افزارهای امنیتی زیادی تاکنون طراحی شده اند اما کارایی آن ها کاملاً اطمینان بخش نبوده است. بنابراین امروزه مطالعه در زمینه پیگیری و شناسایی مهاجمان سایبر به عنوان راهی برای مقابله با فعالیت های غیرمجاز بسیار مهم شده است. هرچند در 10 سال گذشته تکنیک های مختلفی برای ردگیری بسته های ip معرفی شده است، اما با توجه به عدم وجود زیرساخت مناسب پیاده سازی آن ها تاکنون اجرایی نشده است. در این تحقیق ابتدا شرایط فعلی فضای سایبر و مشکلات امنیتی آن مطرح می شود، سپس روش های مختلف شناسایی فعالیت های مخرب و تکنیک های ردگیری بسته های اینترنتی و مشکلات فنی و اجرایی آن ها بررسی می شود. در ادامه با توجه به اهمیت حملات سرقت اطلاعات، یک روش موثر برای شناسایی آن ها ارائه خواهد شد و کارایی روش پیشنهاد شده در یک شبکه بزرگ که دارای سیستم مدیریت امنیت اطلاعات (isms) می باشد بررسی شده است و در انتها چارچوب ipt برای ردگیری عاملان حملات سرقت اطلاعات معرفی می شود. در واقع شناسایی و رفع محدودیت های موجود برای ردگیری آدرس ip در حملات سرقت اطلاعات دلیل اصلی ارائه چارچوب ipt می باشد. در این چارچوب از قابلیت ثبت رخدادها در سرویس دهنده های مختلف برای ردگیری بسته های ip استفاده می شود و پس از شناسایی محدودیت های موجود برای ردگیری آدرس ip، رویکردهای فنی و اجرایی موثری برای رفع آن ها معرفی می شود.

یکی از عوامل اساسی برای حفظ کیفیت کالاهای قابل اشتعال، تحت کنترل داشتن مشخصه های کلیدی محصول است. در این دسته از کالاها، هر گونه بی توجهی به این فاکتورها می تواند ضررهای جبران ناپذیری ایجاد نماید. نقطه اشتعال هر مایع قابل احتراق، پایین¬ترین درجه حرارتی است که بخار آن مایع با شعله یا جرقه کوچک مشتعل می شود. از جمله نقطه اشتعال تینر به این دلیل مهم است که تعیین کننده شدت خطر آتش سوزی است. چه در هنگام انبار داری، حمل یا در هنگام استفاده از تینرها باید نقطه اشتعال تینر مورد توجه قرار گیرد. برچسب های rfid می توانند در این گونه محصولات داده هایی خام به شکل اعداد شناسایی، داده سفارشی شده و تعیین درجه حرارت باشند. قرائت گر ها داده های خام را جمع آوری کرده، سپس آن را فیلتر و پردازش می کنند و وقایع را به عنوان خروجی تبادل می کنند. در سال های اخیر استفاده از فناوری رد فاشگر برای انتقال مواد غذایی و کنترل موجودی کالاهای فاسد شدنی پیشنهاد شده است و مقالاتی در زمینه امکان و چالش های پیاده سازی آن ارائه گردید. در این تحقیق ها با تاکید بر تحلیل اقتصادی به ارزیابی فناوری و مقایسه آن با روش های قدیمی پرداخته شده است. استفاده مطلق از دیدگاه مالی بر پایه صرفه اقتصادی تاکنون نتایج متفاوت و متناقضی را نشان داده است ولی در دیدگاه جدید با استفاده از کارت امتیازی متوازن نگاه به آینده در کنار دستاوردهای غیر ملموس فناوری اطلاعات مطرح است و مهم ترین گام برای داشتن یک ارزیابی صحیح استفاده از معیارهای سنجش مناسب می باشد که در این مطالعه سعی شده است عوامل کلیدی برای ارزیابی فناوری استخراج شده و با ترکیب کارت امتیازی متوازن و تحلیل پوششی داده ها رویکردی صحیح معرفی شود. در این پایان نامه، با استفاده از کارت امتیازی متوازن که ابزار مناسبی جهت طراحی شاخص های ارزیابی عملکرد است سنجه هایی از چهار دیدگاه شناسایی شده و با ضریب همبستگی فرضیات اولیه تحلیل می شوند و با تکنیک تحلیل پوششی داده ها به ارزیابی نتایج نهایی که بیانگر الویت بین روش سنتی در مدیریت موجودی کالاهای قابل اشتعال و استفاده از فناوری رد فاشگر است می پردازیم.

تشخیص و بازنمایی اعمال انسان یکی از موضوعات مهم و چالش برانگیز در حوزه ی بینایی ماشین می باشد که دارای کاربردهای فراوانی همچون نظارت خودکار، تعامل انسان با کامپیوتر، جستجو در پایگاه های ویدیویی، برچسب زدن خودکار ویدیوها می باشد. بسیاری از اعمالی که توسط انسان انجام می شود از نظر الگوی حرکتی به هم شبیه می باشند و تفکیک و تشخیص آنها از هم در بسیاری از کاربردها داری اهمیت می باشد. بنابراین یکی از چالش های الگوریتم های تشخیص، تفکیک این گونه اعمال از همدیگر می باشد. هدف از این پژوهش ارائه ی روشی برای بهبود نرخ تشخیص اعمال انسان و به ویژه اعمال مشابه می باشد. رویکردهای پیشنهادی در این پژوهش را می توان از دو جنبه ی الگوریتم تشخیص و روش های استخراج ویژگی بررسی نمود. رویکرد پیشنهادی برای بهبود نرخ تشخیص، ترکیب مفاهیم فازی در مدل مخفی مارکوف و ارائه ی روشی به نام مدل مخفی مارکوف فازی (fuzzy hmm) برای تشخیص اعمال انسان می باشد. در فاز ایجاد نمادهای مورد استفاده در مدل مخفی مارکوف کلاسیک، از خوشه بندی بردارهای ویژگی استفاده می شود و هر بردار ویژگی به یک خوشه تعلق پیدا می کند. اما در فاز نمادسازی مدل مخفی مارکوف فازی هر بردار ویژگی با تخصیص یک درجه ی تعلق فازی به تمام خوشه ها تعلق پیدا می کند. این امر باعث می شود که قدرت این روش در تشخیص اعمال مشابه از مدل مخفی مارکوف بیشتر باشد. برای توصیف شخص انجام دهنده ی یک عمل نیز از دو ویژگی اسکلتی و فضایی-زمانی استفاده شده است. ویژگی اسکلتی قبلاً در تشخیص اعمال استفاده شده است، اما با تغییراتی که در اینجا در نحوه ی تشکیل بردار ویژگی انجام شده است، زمان لازم برای مقایسه ی دو بردار ویژگی از این نوع به مقدار قابل توجهی کاهش پیدا کرده است. همچنین در این پژوهش از ویژگی های فضایی-زمانی که تاکنون به همراه دسته بندهایی غیر ترتیبی مثل ماشین بردار پشتیبان و k-نزدیکترین همسایه استفاده شده است به عنوان ویژگی برای مدل مارکوف مخفی فازی که روشی ترتیبی می باشد، استفاده شده است. ارزیابی روش های پیشنهادی بر روی دو مجموعه داده ای weizmann و kth انجام شده است و نرخ تشخیص بدست آمده برای این مجموعه داده ها به ترتیب 89/98% و 96/91% می باشد. این نتایج موفقیت این الگوریتم در تشخیص اعمال مشابه را نشان می دهد.

شناسایی بیومتریکها،1 به استفاده از مشخصات رفتاری و فیزیکی انسان برای شناسایی افراد اطلاق میشود. مشخصات فیزیکی همچون اثرانگشت ، چهره ، قرنیه چشم و مشخصات رفتاری مانند امضا ، طرز نگارش و... می باشد . [29] سیستم های کنترل دسترسی سنتی که عمدتا مبتنی بر ورود کلمات رمز می باشند ، دارای چالش های مختلف امنیتی می باشند . برای مثال سیستم های مبتنی بر انواع تراشه ها کلمات عبور و کلیدها همیشه در معرض خطر ورود اشخاص ثبت نشده هستند. حال آنکه در سیستم های مبتنی بر مقایسه ی بیومتریک اطلاعات شخصی افراد را به راحتی نمی توان جعل کرد. تمایز بالای بین نمونه ها، کارایی و امنیت بالا از ویژگی های اینگونه سیستم ها هستند. کاربرد این دسته از روشهای شناسایی امروزه در سطح بسیار وسیعی مشاهده می شود. از مهمترین کاربردهای آنها می توان به سیستم های امنیتی ، جستجوهای مجرمین ، اجازه عبور از مرزها اشاره کرد. [28] ولی در تحقیقات انجام شده نشان داده شده است، استفاده از مشخصات بیومتریک نیز وقتی به صورت تکی باشند، قابل جعل هستند. هدف ما از ارائه ی این تحقیق معرفی روشی است که در برابر عواملی مانند جعل، نویز، چرخش و غیره از خود مقاومت نشان دهد. در رویکرد پیشنهادی، اثرانگشت شخص پس از ورود به دو بخش مقایسه هدایت می شود. در بخش اول مقایسه بر اساس نقاط ویژگی موسوم به مینوشیا انجام می شود و در بخش دوم مقایسه با استفاده از سنجش مشابهت و همبستگی صورت می گیرد، نتایج هر مرحله در مرحله ی دیگر شرکت می کنند و بدین سان یک تعامل تنگاتنگ بین الگوریتم ها ایجاد می شود. با توجه به اینکه هر رویکردی با وجود محاسن خاص به خود، نقاط ضعفی را نیز در بر دارد، در رویکرد پیشنهادی از نقاط قوت هر رویکرد برای کنترل هر چه بیشتر نقاط ضعف رویکرد دیگر استفاده شده است. برای هرچه بیشتر کردن دقت، از همجوشی چند الگوریتمی و همجوشی نمونه های متعدد اثرانگشت، استفاده کرده ایم. پایگاه داده ی استفاده شده در رویکرد پیشنهادی، با استفاده از یک حسگر مجهز به مادون قرمز از 440 اثرانگشت تهیه شده است. از هر شخص خواسته شده است انگشت خود را دو بار به حالتهای مختلف بر روی حسگر قرار دهند. جمعا 880 اثرانگشت برای پایگاه داده تهیه شده است. اثرانگشتها بسته به کیفیت و مساحت به 5 دسته ی کیفی تقسیم شده اند. در ضمن حسگر مورد استفاده با نور مادون قرمز قدرت تشخیص اصالت اثرانگشت را دارد. با آزمایش اجزای روش پیشنهادی به صورت جداگانه و باهم، مقدار خطای مساوی در مرحله ی مبتنی بر نقاط ویژگی مینوشیا 7.0درصد ، در مرحله ی مربوط به محاسبه ی شباهت از طریق همبستگی 6.0درصد و با اعمال همجوشی 1.6درصد مشخص شده است. ضمنا در آزمایشات مشخص شده است که نسبت رد کردن نادرست بیشتر از وارد کردن نادرست است.

پیشرفت های روز افزون در فن آوری، محیط محاسباتی را پویا و پیچیده ساخته است. در چنین شرایطی، سیستم ها نیازمند درجه ی بالاتری از خودمختاری هستند تا امکان ادامه ی عملکرد، بدون دخالت انسان را کسب کنند. در نتیجه ی بالا رفتن خودمختاری در سیستم های امروز، پیچیدگی آن ها نیز افزایش می یابد. وفق پذیری و همکاری طبیعی سیستم های زیستی ایده ی رویکردهای جدیدی است که برای مدیریت این افزایش پیچیدگی و ایجاد متدولوژی های قوی در طراحی سیستم ها و حل مسائل محاسباتی استفاده شده است. سیستم های بهره گرفته از این متدولوژی ها نوعاً با عنوان سیستم های خود-* شناخته می شوند. در سال های اخیر، سیستم های خودسازمان ده، به عنوان مهمترین نوع از سیستم های خود-*، توجه ویژه ای را به خود جلب کرده اند. سیستم های خودسازمان ده، از تعدادی مولفه ی خودمختار تشکیل شده اند. مکانیزم کنترلی در میان این مولفه ها توزیع شده است. هر یک از مولفه های سیستم سعی می کنند با تکیه بر اطلاعات و سیاست های محلی و همچنین تعامل با دیگر مولفه ها، به اهداف محلی خود دست یابند. پویایی و پیچیدگی سیستم های خودسازمان ده چالش های بسیاری برای طراحان این نوع از سیستم-ها ایجاد کرده است. از این میان تضمین درستی رفتار سیستم در حین و بعد از خودسازمان دهی دارای اهمیت ویژه ای است. در این پژوهش، روشی برای مدل سازی سیستم های خودسازمان ده برمبنای مدل رسمی و منعطف h-pobsam پیشنهاد شده است. روش پیشنهادی برخلاف روش های موجود، خصوصیات وفق پذیری (وفق پذیری رفتار و پیکربندی پویا) سیستم های خودسازمان ده را پشتیبانی کرده و از وارسی رسمی و وارسی زمان اجرای این سیستم ها پشتیبانی می کند. توانایی به کارگیری وارسی رسمی و وارسی زمان اجرا، روش پیشنهاد شده را از دیگر روش های به کار رفته در این حوزه متمایز ساخته و آن را روشی مناسب برای تضمین رفتار پویای سیستم های خوسازمان ده ساخته است.

از زمان اختراع نخستین ماشین های محاسباتی، نیاز به توان پردازشی بیشتر، توسعه و اختراعات را برای آینده اجتناب ناپذیر کرده است. امروزه صنعت محاسبات ، یکی از سریع ترین صنایع در حال رشد می باشد که بوسیله ی توسعه ی سریع در زمینه های سخت افزار و نرم افزار کامپیوتر حاصل شده است. برنامه های کاربردی چالش برانگیزی مثل پیش بینی آب و هوا و تحلیل زلزله، کاربردهای تجاری حرفه ای و کاربردهای علمی مثل پردازش تصویر، سیگنال و کنترل هر روز پیچیدگی بیشتری پیدا می کنند. نیاز این برنامه ها به توان محاسباتی بالا و نیز به ارضا کردن محدودیت های بلادرنگ حیاتی است. در این تحقیق سعی کردیم تا با استفاده از محاسبات موازی بر این مشکل فایق آییم. هدف اصلی از انجام محاسبات موازی، حل سریع تر مسائل و یا حل مسائل پیچیده تر است. توسعه و تولید سیستم هایی با سرعت متوسط، با استفاده از معماری های موازی بسیار ارزانتر از داشتن کارایی مشابه در یک سیستم ترتیبی است. بنابراین سعی کردیم که با استفاده از سخت افزارهایی که هم اکنون در شرکت ها و ادارات در دسترس می باشد و نیز با استفاده از چند کامپیوتر یا یک خوشه از کامپیوترها، کارها را به صورت کاراتر انجام دهیم که بحث آن در رابطه با طراحی الگوریتم ها می باشد. برای اینکار از الگوریتم سیستم ایمنی مصنوعی ترکیبی ( hais) بهره گرفته ایم. سیستم ایمنی مصنوعی (ais)، سیستمی الهام گرفته از عملکرد سیستم ایمنی بدن انسان است. یکی از کاربردهای سیستم ایمنی مصنوعی، بهینه سازی است. مدلهای ایمنی مختلفی وجود دارد که برای بهینه سازی تک هدفه و یا چندهدفه بکار می روند. در این تحقیق نیز به مساله ی زمان بندی دوهدفه با اهداف کمینه کردن طول زمان بندی (یا همان makespan) و بیشینه کردن قابلیت اعتماد (یعنی پیداکردن یک زمان بندی قابل اعتماد) پرداخته ایم. برای حل مساله زمان بندی قابل اعتماد، دو روش مبتنی بر ais را پیشنهاد نموده ایم. برای این منظور در هر روش، الگوریتم مبتنی بر جمعیت ais را با یک سری اکتشافات و نیز یک روش جستجوی محلی ترکیب کرده ایم. الگوریتم انتخاب کلونی ais، یک جستجوی هدفمند را فراهم می آورد و الگوریتم حذف ایمنی نیز تنوع در جمعیت و نخبه سالاری را ایجاد می کند. برای نشان دادن کارایی و موثربودن روش های پیشنهادی، آنها را با روش های موجود در تحقیقات مقایسه نموده ایم. نتایج بدست آمده نشان دادند که دقت الگوریتم های پیشنهادی از روش هایی مانند dcp [86] ، dsc [35] ، md [76] و ga and ep [60] بهتر است. همچنین برای نشان دادن چگونگی رفتار این روش ها در مقابل ورودی های مختلف از برنامه های کاربردی، سناریوهایی ترتیب داده شده است که در ادامه ی تحقیق آمده اند.

در سالهای اخیر مبحث بازشناسی چهره در زمینه های تحقیقاتی مرتبط با بیومتریک، شناسایی الگو و بینایی ماشین بسیار مورد توجه قرار گرفته است. اگرچه روش های مختلفی برای بازشناسی چهره ارائه شده است، اما وجود پارامترهای محدود کننده ای مانند چرخش سر، تغییر حالات چهره و تغییرات نورپردازی، باعث شده که مبحث بازشناسی چهره همچنان به عنوان مسأله ای حل نشده مطرح باشد. با توجه به اینکه کنترل شرایط نورپردازی در کاربردهای واقعی بسیار دشوار است، تغییرات نورپردازی یکی از مهمترین چالش های بازشناسی چهره محسوب می شود. چرا که تفاوت دو تصویر از یک فرد تحت نورپردازی های متفاوت می تواند بیشتر از تفاوت میان تصاویر دو فرد مختلف باشد. در این رساله به مسأله غلبه بر اثرات تغییر نورپردازی در تصاویر چهره پرداخته و روش های جدیدی را در هر سه فاز پیش پردازش، استخراج ویژگی و تطبیق الگو مطرح کرده ایم. الگوریتم های استخراج ویژگیِ ارائه شده در این رساله، به دانستنِ اطلاعات اولیه ای از شرایط نورپردازی چهره و نیز مجموعه آموزشی که شامل تصویرهای گوناگونی از هر فرد در شرایط مختلف نورپردازی باشد، نیازی ندارند. تعیین دسته نوری مبتنی بر روشهای یادگیری، فضایی مناسب برای جبران تطبیقی اثرات نورپردازی در تصاویر چهره ایجاد نموده و جبران آگاهانه اثرات نورپردازی توسط الگوریتم نگاشت نوری تطبیقی، که برای نخستین بار در این رساله مطرح شده است، ضمن حفظ ویژگی های تصویر، بازنمایی مناسبی از چهره در نورپردازی های مختلف ارائه می دهد. استخراج الگوی سایه مبتنی بر تبدیل h-minima، اطلاعات مفیدی را در زمینه شکل سایه و لبه های ناشی از آن ارائه داده که ضمن بهبود عملکرد روشهای موجود، منجر به نوآوری در مرحله تطبیق الگو نیز گردیده است. نتایج آزمایش های مختلفِ الگوریتم های پیشنهادی و مقایسه آن با الگوریتم های مطرحِ موجود در این زمینه، نشان می دهد که رویکرد پیشنهاد شده در این رساله، با نرخ بازشناسی متوسط 3/99% روی پایگاه های تصویری yaleb و extended yaleb از توانایی مطلوبی در بازنمایی تصاویر چهره تحت شرایط نورپردازی مختلف برخوردار است.

بازیابی تصویر مبتنی بر محتوی (cbir)، به معنای بازیابی تصاویر با استفاده از ویژگی های سطح پایین همچون رنگ، بافت و شکل می باشد. در این نوع بازیابی، شکاف معنایی به معنای اختلاف در تفسیر تصاویر، بین انسان و الگوریتم کامپیوتری می باشد. برای کاهش این فاصله، بهتر است تا ابتدا کاربر انسانی تصاویر پایگاه تصویر را شرح گذاری کند و سپس بازیابی از تصاویر شرح گذاری شده انجام پذیرد. به دلیل تعداد زیاد تصاویر در پایگاه های تصویری، شرح گذاری تمامی آنها توسط انسان امکان پذیر نمی باشد. با توجه به حجم انبوه تصاویر در حوزه های مختلف و رشد روزافزون این تصاویر، نیاز به روش های کامپیوتری که به صورت خودکار شرح گذاری را بر روی این تصاویر انجام دهند امری ضروری می باشد. اولین الگوریتم شرح گذاری که تنها از ویژگی رنگ در آن استفاده می گردید در سال 1996 ارائه گردید. در این الگوریتم ها، جهت یادگیری روش شرح گذاری که توسط انسان انجام می شود، از چهار رویکرد آماری، مبتنی بر طبقه بند، مبتنی بر گراف و مبتنی بر جستجو در وب استفاده می شود. در این حوزه، نگاشت غیرصحیح ویژگی های سطح پایین تصویر به معانی سطح بالا، سبب می شود تا دقت شرح گذاری کاهش یابد. در روش هایی که تاکنون در شرح گذاری تصویر ارائه گردیده است، پس از استخراج بردارهای ویژگی رنگ، بافت و شکل، تحلیلی در موضوع فضای معنا و فضای ویژگی صورت نپذیرفته است. هر چند که با تغییر در بافت، رنگ و یا شکل تصویر، از نظر انسان معنا تغییری نکرده است، ولی به دلیل تغییر غیر پیوسته در بردار ویژگی های سطح پایین تصویر، شرح گذاری در تمامی موارد به درستی انجام نمی شود. در این رساله جهت همسو سازی فضای ویژگی با فضای معنا، از رویکرد کاهش ابعاد بردارهای ویژگی به صورت غیر خطی استفاده می شود. کاهش ابعاد بردارهای ویژگی به صورت غیرخطی که یادگیری منیفلد نیز نامیده می شود به معنای جستجوی ساختارهایی با ابعاد کم است که به صورت ذاتی و غیرخطی در مشاهدات با ابعاد بالا وجود دارد. تحقیقات پایه در روش های یادگیری منیفلد از سال 1998 با ارائه روش ایزومپ آغاز گردیده است. در این رساله در راستای حل دو مسأله حساسیت به نویز و نیز عدم استفاده از داده های برچسب دار در روش های پایه یادگیری منیفلد و همچنین در راستای کاربردی سازی یادگیری منیفلد در شرح گذاری خودکار تصویر، دو مدل بدون نظارت و بانظارت در یادگیری منیفلد ارائه شده است. در مدل بدون نظارتی، تمامی داده ها بدون برچسب هستند و در مدل بانظارتی، از برچسب داده های برچسب دار استفاده شده است. نوآوری اصلی در مدل بدون نظارتی، استخراج یک فضای ویژگی از چند فضای ویژگی می باشد که با رویکرد ارائه شده در این مدل، اثر منفی نویز در دقت یادگیری منیفلد کاهش می یابد. با نتایج بدست آمده از مدل بدون نظارتی، مدل بانظارت ارائه گردیده است. نوآوری اصلی ارائه شده در این مدل، چگونگی انتقال معانی از فضای معنا به فضای ویژگی با استفاده از عملگر ضرب معنایی می باشد. در ارزیابی دو مدل پیشنهادی در رسیدن به اهداف این رساله، از دادگان های بخش b از mpeg-7، fish، corel 5k و iapr tc-12 استفاده شده است. مدل بدون نظارت در دادگان بخش b از mpeg-7 سبب افزایش دقت بازیابی از 94/84% در روش ایزومپ به 73/89% در روش پیشنهادی گردیده است. موثر بودن این مدل در دادگان fish نیز نسبت به روش ایزومپ در نمودارهای دقت و فراخوان آورده شده است. مدل بانظارت نیز در دادگان های بخش b از mpeg-7، corel 5k و iapr tc-12 به ترتیب سبب افزایش دقت از 22/97% به 64/98% و افزایش f1 از 0.21 به 312/0 و 2/0 به 302/0 در استفاده از فضای منیفلد به جای فضای مشاهده، گردیده است.

پیش بینی بازار سهام به عنوان یک کار پر چالش در حوزه پیش بینی سری های زمانی مالی در نظر گرفته شده است. علت مهم این امر عدم وجود قطعیت در نحوه حرکت بازار سهام می باشد. همچنین تحلیل داده های سری زمانی قیمت های سهام به علت غیر خطی بودن و وجود نویز زیاد مشکل می باشد. در این پژوهش از دو رویکرد متفاوت برای پیش بینی کوتاه مدت بازار سهام استفاده شده است. در رویکرد اول هدف این است که با استفاده از قوانین انجمنی میان تراکنشی یک دسته بند انجمنی ساخته شود تا به پیش بینی حرکت آینده قیمت سهام های مختلف بپردازد. در این رویکرد با استفاده از ضریب همبستگی با تأخیر زمانی میان دو شرکت تنها شرکت هایی در فرایند پیش بینی شرکت می کنند که ضریب همبستگی آن ها از حد معینی بیشتر باشد. همچنین با استفاده از دو شاخص تکنیکی، اثر گذشته قیمت هر سهام را بر آینده قیمت آن در نظر می گیریم. با استفاده از معیار فاصله اقلیدسی میان دو زیر دنباله الگوریتم ارائه شده این قابلیت را دارد که بر اساس میزان فاصله اقلیدسی بین دو زیر دنباله وزن متفاوتی برای تراکنش ها در نظر بگیرید. در رویکرد دوم هدف استخراج قوانین انجمنی میان تراکنشی با استفاده از قیمت های مختلف یک سهام می باشد. در این رویکرد ما از نظریه فازی به همراه نمودار شمعی برای استخراج قوانین انجمنی استفاده کرده ایم. همچنین با مدل کردن نمودار شمعی و سپس بدست آوردن الگو های تکرار شونده با استفاده از قوانین انجمنی میان تراکنشی به پیش بینی بازار سهام و مدیریت سبد سهام پرداخته ایم. معیار ارزیابی کارایی الگوریتم های ارائه شده میزان سود بدست آمده در دوره آزمایش می باشد. دو دیتاست متفاوت مورد مطالعه قرار گرفته اند که متعلق به بازار سهام ژاپن و آمریکا می باشند. نتایج بدست آمده نشان دهنده این است که الگوریتم های ارائه شده سود بیشتری را در مقایسه با استراتژی خرید و نگهداری و سایر روش ها بدست آورده اند.

مولکول پروتئین زنجیره خطی از اسید آمینه ها است. پیش بینی برهم کنش های پروتئین-پروتئین یک مسئله مهم در بیوانفورماتیک و سیستم های زیستی به حساب می آید. در حقیقت استخراج برهم کنش های میان پروتئین ها برای ساختن شبکه های برهم کنشی پروتئینی ضروری می باشد. این شبکه ها نقش مهمی در شناخت اکثر فرایندهای زیستی دارند. در سال های اخیر، از روش های آزمایشگاهی با توان عملیاتی بالا برای کشف برهم کنش های پروتئین-پروتئین استفاده شده است. اما این روش ها داده های ناقصی را تولید می کنند که دارای داده های مثبت کاذب و منفی کاذب زیادی هستند. از آنجاییکه امروزه به کارگیری علوم مهندسی برای حل مسائل حوزه علوم زیستی و پزشکی به سرعت و با موفقیت رو به افزایش است، بسیاری از محققان علوم کامپیوتر به این سمت گرایش پیدا کرده اند تا بتوانند از روش های مختلف یادگیری ماشین در پیاده سازی سیستم های خودکار هوشمند به منظور دسته بندی پروتئین ها کمک بگیرند. هدف نهایی در ساخت این سیستم ها، نزدیک بودن هر چه بیشتر تصمیم اتخاذ شده توسط ماشین به تصمیم فرد خبره زیست شناس می باشد. از این رو، تکنیک های یادگیری ماشین مختلفی برای افزایش دقت روش های پیش بینی برهم کنش پروتئین-پروتئین بکار رفته اند. این پیش بینی عموماً یک نوع دسته بندی است که از ویژگی های مختلف پروتئین مانند داده های ژنی، ساختاری و نحوه بیان پروتئین ها استفاده می کند. البته بدست آوردن این اطلاعات هزینه زیادی دربر دارد. اطلاعات ساختار اول یا همان توالی پروتئین ها در دسترس می باشد و استفاده از این داده ها بر خلاف سایر داده های پروتئینی نیاز به داشتن دانش اولیه ای از پروتئین ها ندارد، بنابراین ما در کار خود از این داده ها استفاده می کنیم. در این پژوهش ابتدا به بررسی برهم کنش های پروتئین-پروتئین پرداخته و سپس با استفاده از چندین روش مبتنی بر یادگیری ماشین، تلاش کردیم تا برهم کنش های پروتئین-پروتئین را با دقت قابل قبولی پیش بینی کنیم. با استفاده از ماشین بردار پشتیبان در حالت رگرسیون و بهینه سازی پارامترهای آن با روش جستجوی سلسله مراتبی موازی در مکعب مشبک، دقت پیش بینی برهم کنش های پروتئین-پروتئین بر روی مجموعه داده kups در مقایسه با سایر روش ها 3% بهبود داشت. همچنین با استفاده از یک روش ترکیبی از الگوریتم ژنتیک و شبیه سازی التهابی توانستیم همزمان تعداد ویژگی های مجموعه داده را به همراه مقادیر پارامترهای ماشین بردار پشتیبان بهینه کنیم. روش خود را بر روی مجموعه داده های s.cerevisiae و kups اعمال کردیم و توانستیم به ترتیب به 2.8% و 3.8% بهبود در مقایسه با سایر روش های موجود بر روی این مجموعه داده ها برسیم. همچنین به منظور بررسی عمومیت روش و کارایی آن از چندین مجموعه-داده پزشکی از مرجع uci استفاده شده است. کلید واژه: پروتئین، برهم کنش های پروتئین-پروتئین، پیش بینی برهم کنش های پروتئین-پروتئین، روش های محاسباتی، ماشین بردار پشتیبان.

نهان‎کاوی تصاویر هنر و مهارت تشخیص تصاویر نهان نگاره از تصاویر پوشش یا میزبان براساس ویژگی‎های استخراج شده می باشد. دو نوع روش نهان‎کاوی وجود دارد: نهان‎کاوی خصوصی و عمومی . نهان‎کاوی خصوصی براساس الگوریتم‎های نهان‎نگاری ارائه شده است در حالی که نهان‎کاوی عمومی وابسته به الگوریتم‎های نهان‎نگاری نمی باشد. در این پایان‎نامه تلاش شده است تا با استفاده از الگوریتم کلونی زنبور روشی برای نهان‎کاوی عمومی تصاویر ارائه شود. با توجه به اینکه موضوع این پایان‎نامه ترکیبی از دو حوزه داده کاوی و پردازش تصویر است تلاش شده است تا در هر دو حوزه نوآوری ارائه شود. بدین منظور از روش تکاملی جدیدی بنام کلونی زنبور برای بهبود نتایج روش‎های پیشنهادی استفاده شده است. در حوزه داده کاوی مبتنی بر الگوریتم کلونی زنبور یک الگوریتم به نام ifab برای انتخاب بهترین مجموعه ویژگی‎ها از میان ویژگی‎های موجود پیشنهاد شده است تا مجموعه‎داده های جدیدی به ترتیب برای spam با80 ویژگی و cc-pev با 250 ویژگی ایجاد شود. در حوزه پردازش تصویر یک روش riab برای پیدا کردن بهترین منطقه تصویر برای نهان‎کاوی و استخراج ویژگی‎های مورد نظر ارائه شده است. برای ارزیابی کارایی الگوریتم ها از چندین مجموعه‎داده تخصصی استفاده شده است. همچنین، دقت استخراج شده برای روش نهان‎کاوی spam توسط هر الگوریتم نسبت به دقت اولیه به ترتیب 08/8 درصد و 22/10 درصد بهبود ثبت شده است و همچنین برای روش نهان‎کاوی cc-pev توسط هر الگوریتم نسبت به دقت اولیه به ترتیب 06/4 و 14/5 درصد بهبود ثبت شده است.

پروتکل های مسیریابی و ارتباطات بین گره ها در شبکه های بی سیم اقتضایی عموما وابسته به همکاری گره های میانی در پیش رانی بسته ها به سوی مقصد می باشند. با توجه به اینکه گره های شبکه به صورت مستقل عمل می کنند، برخی از آنها ممکن است به منظور صرفه جویی در مصرف انرژی خود تصمیم به عدم پیش رانی بسته ها بگیرند. چنین رفتار خودخواهانه ای ممکن است موجب تکه شدن شبکه و کاهش کارایی آن گردد. همچنین دور ریختن بسته ها توسط گره های خودخواه، موجب ارسال مجدد آنها شده و با هدر دادن انرژی محدود گره ها، طول عمر کلی شبکه را کاهش می دهد. بنابراین پیشگیری از این نوع رفتار در شبکه سیار اقتضایی از اهمیت بسزایی برخوردار است. سیستم های شهرت مختلفی به منظور تشویق گره ها به همکاری در شبکه، پیشنهاد شده و مورد ارزیابی قرار گرفته اند. این سیستم ها عموما شامل ساز و کاری جهت شناسایی گره های خودخواه بوده و تنبیهاتی برای آنها در نظر می گیرند. به عنوان مثال، اخراج این گونه گره ها از شبکه می تواند کارایی شبکه را برای گره های همکاری کننده به وضعیت عادی بازگرداند. در این پژوهش، یک سیستم شهرت نیمه توزیع شده ارائه شده و مورد ارزیابی قرار می گیرد. در سیستم پیشنهادی، به منظور کاهش سربار ناشی از اشتراک مقادیر شهرت بین گره ها، یک نوع روش خوشه بندی پوشان به کار گرفته شده است. همچنین به منظور تعیین میزان شهرت و انجام عملیات بر روی مقادیر آن، از منطق ذهنی استفاده شده است. منطق ذهنی با افزودن عدم قطعیت در مورد مقدار احتمال، منطق احتمالاتی را گسترش داده و امکان استدلال را حتی با وجود شواهد محدود و ناکافی فراهم می آورد. در این پژوهش، تعریف امید ریاضیِ احتمال در منطق ذهنی بهبود یافته است تا در شناسایی سریع تر گره های خودخواه مفید واقع گردد. سیستم پیشنهادی بر روی شبکه ای شامل گرههای متحرک خودخواه و غیر خودخواه، شبیه سازی شده و اثرات پارامترهای شبکه بر میزان کارایی آن مورد بررسی قرار گرفته است. مقایسه نتایج شبیه سازیِ روش پیشنهادی با روشهای مشابه اخیر، حاکی از آن است که در سرعتهای پایین، تعداد بسته های هدررفته تا 46% کاهش نشان می دهد. بنابراین استفاده از روش پیشنهادی، میزان هدررفت انرژی در شبکه بی سیم اقتضایی را کاهش داده و موجب افزایش طول عمر کلی شبکه می گردد.

در سال¬های اخیر آشکارسازی و ردیابی انسان¬ها در تصاویر ویدئویی مورد توجه زیادی قرار گرفته است. یکی از کاربردهای مهم آشکارسازی و ردیابی انسان¬ها، در سامانه¬های نظارتی می¬باشد. از سامانه¬های نظارتی در کنترل عبور و مرور افراد در مکان¬های مهم، آشکارسازی افراد در محیط¬های خاص، آمارگیری و کنترل ازدحام جمعیت در محیط¬های پرتردد، آشکارسازی حرکت¬های غیر عادی انسان و وسایل نقلیه در محیط¬های پرتردد و بسیاری از کاربردهای دیگر استفاده می¬شود. بسیاری از روش¬هایی که تا به امروز معرفی شده¬اند، در محیط¬هایی با تعداد انسان¬های کم، قابل استفاده هستند و باید دانست روش¬هایی که برای سامانه بینایی کامپیوتر در محیط¬های خلوت به کار می¬روند، معمولا برای محیط¬های دارای جمعیت مناسب نیستند. هدف از این پژوهش ارائه راهکارهایی جهت آشکارسازی انسان¬ها و ردیابی آن¬ها با استفاده از ترکیبی از ویژگی¬های مختلف است. در این پژوهش از تصاویر ویدئویی که با یک دوربین ثابت تهیه شده¬اند استفاده شده است. در این پژوهش استخراج ویژگی به کمک توصیف¬کننده¬ی پیشنهادی هیستوگرام جهت دار انجام می¬پذیرد. ایده¬ی توصیف¬کننده پیشنهادی به منظور کم نمودن طول بردار ویژگی و بالا بردن سرعت استخراج ویژگی می¬باشد. برای حل مشکل آشکارسازی انسان¬هایی که بدنشان دچار همپوشانی شده است، از اجزاء مختلف انسان¬ها جهت دسته¬بندی قسمت¬های مختلف تصویر استفاده شده است. در این پژوهش برای ردیابی افراد از سامانه فیلتر ذره¬ای و پیش¬بینی مکان انسان¬ها برای ارتباط بین آشکارسازی¬ها در قاب¬های متوالی استفاده شده است. ردیابی انسان¬ها به کمک نتایج بدست آمده از آشکارسازی در هر قاب و استخراج ویژگی¬های رنگی مربوط به نیمه¬ی دوم بالاتنه و اطلاعات مکانی مرکز ثقل هر انسان صورت گرفته است. نتایج بدست آمده نشان می¬دهد، روش استخراج ویژگی به کمک هیستوگرام جهت¬دار گرادیان در محیط¬های پرجمعیت و دارای همپوشانی، مناسب عمل کرده و قادر به آشکارسازی انسان¬های دارای همپوشان در ابعاد مختلف است. قابلیت آشکارسازی انسان در چنین محیط¬هایی نسبت به بسیاری از روش¬های مقایسه شده در این پژوهش در پایگاه داده¬ی tud بهتر عمل نموده است. روش پیشنهادی در پایگاه داده¬ی tud-campus در دقت 0.9 به بازیابی 0.78 رسیده است. این روش در محیط¬های با پس¬زمینه¬های بسیار پیچیده¬تر، دارای دقت پایین¬تری است. روش پیشنهادی در پایگاه داده¬ی tud-pedestrian در دقت 0.7 به بازیابی 1 رسیده است.

با گسترش روز افزون سرعت دسترسی به اینترنت، و همچنین علاقه فراوان کاربران به محتواهای ویدئو، انگیزه توسعه کاربردهای جریان سازی ویدیو بر حسب تقاضا در طی چند سال اخیر افزایش یافته است. شبکه های نظیر به نظیر یکی از بسترهای توانا در جریان سازی ویدیو هستند، با این وجود با چالش-هایی مثل ناهمگونی و نامتقارنی پهنای باند، خروج و تعامل نظیرها، سربار و ... مواجه هستند. از طرفی می توان با سازمان دهی مناسب نظیرها در شبکه ی پوشان و ایجاد مکانیزم تبادل داده مناسب بین آنها، علاوه بر بهبود کیفیت سرویس، بهره وری شبکه را نیز افزایش داد. در این پایان نامه یک سیستم جریان سازی ویدئو بر حسب تقاضا طراحی و شبیه سازی گردید و سعی شد تا با استفاده از معماری ترکیبی cdn- p2p و توپولوژی توری مدیریت شده، به کیفیت سرویس مطلوب دست بیابیم. برای چینش نظیر ها از توپولوژی خوشه بندی خاصی استفاده گردید که در آن نظیرها به صورت توزیع شده و کاملاً پویا به بهبود ساختار توری از طریق تعامل با همسایگانشان می پردازند. همچنین در این پایان نامه مکانیزم تبادل نقشه بافری پیشنهاد شده است که در آن هر نظیر با ارسال فقط قسمتی از نقشه بافر خود که مورد نیاز هر همسایه است از ارسال اطلاعات بیهوده جلوگیری می کند. ارزیابی کارایی سیستم پیشنهادی با استفاده از شبیه سازomnet++ انجام و در مورد نقاط مصالحه برای پارامترها بحث و مقادیر بهینه معرفی گردید. نتایج ارزیابی ها نشان داد که توپولوژی های پیشنهادی توانستند به نحو قابل قبولی کیفیت سرویس را بهبود دهند. مکانیزم تبادل نقشه بافر پیشنهادی نیز علاوه بر کاهش چشمگیر سربار پهنای باند، از طریق ایجاد امکان استفاده از بافر بزرگ، دسترس پذیری به قطعات ویدئو را افزایش داد. با مقایسه نتایج سیستم پیشنهادی با کارهای گذشته دیده می شود که سیستم یشنهادی توانسته با کاهش سربار، کیفیت سرویس مطلوبی را فراهم آورد.

پروتئین¬ها از حیاتی¬ترین ماکرو مولکول¬ها در طبیعت هستند که کلیه اعمال موجود زنده به عملکرد آن ها بستگی دارد. پروتئین¬ها در سوخت و ساز سلول¬ها و رشد و ترمیم بدن نقش بسیار مهمی دارند. تمام آنزیم¬هایی که در بدن باعث انجام واکنش¬های مختلف می¬شوند از جنس پروتئین هستند. پروتئین¬ها ساختاری سلسله مراتبی دارند که شامل چهار ساختار اول، دوم، سوم و چهارم می¬باشد. پیش¬بینی ساختار پروتئین¬ها از روی توالی اولیه¬شان در بیوانفورماتیک بسیار مهم است. منظور از توالی اولیه در حقیقت همان ساختار اول پروتئین است که به صورت آزمایشگاهی به دست می آید. از آنجا که ساختار سوم پروتئین تعیین کننده نحوه عمل آن است، بنابراین شناخت ساختار آن برای شناسایی عملکرد یک پروتئین ضروری است. از طرفی شناسایی این ساختار در طراحی داروها نیز بسیار موثر است. برای شناسایی ساختار سوم پروتئین نیازمند تشخیص تاخوردگی پروتئین هستیم. تاخوردگی پروتئین که یکی از بزرگترین چالش¬ها در بیوانفورماتیک است به معنی به دست آوردن ساختار سوم یک توالی پروتئین داده شده بدون تمرکز بر شباهت توالی¬ها است. به دلیل پر هزینه بودن روش¬های آزمایشگاهی، از روش¬های محاسباتی برای تعیین ساختار سوم پروتئین کمک می¬گیرند. در این پژوهش نیز با استفاده از روش¬های محاسباتی و به کمک الگوریتم¬های یادگیری ماشین به پیش¬بینی تاخوردگی پروتئین پرداخته¬ایم. به این منظور یک چارچوب دسته¬بندی دو لایه برای تشخیص تا خوردگی پروتئین ارائه شده است. در لایه اول از این چارچوب، چهار دسته ساختاری پروتئین¬ها که شامل α، β ، α/β و α+β است، شناسایی می¬شود. سپس نتایج پیش بینی لایه اول به عنوان ویژگی¬های جدید به مجموعه داده¬ اضافه می¬شود. در نهایت در لایه دوم با استفاده از یک دسته بند دیگر تاخوردگی¬های پروتئین پیش¬بینی می¬شود. با تکیه به همین چارچوب چندین مدل مختلف برای حل مسئله پیشنهاد شده و نتایج خوبی نیز در مقایسه با دیگران حاصل شده است. نتایج آزمایشات روی مجموعه ویژگی¬های دینگ و دوبچاک نشان می¬دهد که حدود 2 تا 14 درصد بهبود دقت نسبت به پژوهش¬های قبلی حاصل شده است.

با رشد گسترده تکنولوژی های مرتبط با اینترنت، تصاویر و ویدئوها به سرعت در حال توسعه بر روی بستر اینترنت هستند. چگونگی ساماندهی و مدیریت این اطلاعات حجیم، بحث داغی شده است که نیاز به راه حل های فوری دارد. بازیابی اطلاعات چندرسانه ای، گامی موثر جهت حل مشکل بیان شده و حاشیه نویسی خودکار تصاویر گامی مهم و کلیدی در بازیابی اطلاعات چندرسانه ای می باشد. حاشیه نویسی خودکار تصاویر به ایجاد خودکار برچسب های متنی مطابق با محتوای بصری تصاویر دلالت دارد. در این پژوهش روشی بر مبنای روش های تکاملی برای این مسئله پیشنهاد شده است. الگوریتم ژنتیک هم به عنوانی گامی در پیش پردازش داده های تصویری و کمک به کاهش ابعاد بردارهای ویژگی درفضاهای گوناگون بصری و نیز در ترکیب نتایج حاشیه نویسیِ فضاهای ویژگی گوناگون پیشنهاد شده است. در این پژوهش بر آنیم تا از هر دو نوع ویژگی های محلی و سراسری به منظور بهره بردن از مزایای هر دو نوع شیوه توصیف تصاویر استفاده کنیم. بنابراین چندین بردار ویژگی شامل ویژگی های محلی و ویژگی های سراسری از تصاویر استخراج شده اند. از آنجا که با چندین بردار ویژگی و در هر بردار با ابعاد بالایی از ویژگی ها مواجه هستیم، الگوریتم ژنتیک جهت انتخاب زیرمجموعه ویژگی های موثر به کار گرفته شده است. جهت دسته بندی تصاویر بدون برچسب به گونه ای که تنها تصاویر مرتبط به هر تصویر جدید در دسته بندی آن تصویر دخالت داده شوند، طی یک فرایند خوشه بندی دولایه بر مبنای محتوای بصری و هم چنین فضای معنایی، تصاویر مرتبط به هم در یک خوشه قرار می گیرند. الگوریتم ژنتیک جهت ترکیب معنایی و کارای نتایج فضاهای ویژگی مبنی بر این که هر فضای ویژگی در شناسایی بعضی برچسب های خاص سرآمد سایر فضاهای ویژگی می باشد و سپس ارائه نتیجه نهایی که همان برچسب های انتخاب شده برای تصویر بدون برچسب است پیشنهاد شده است. جهت ارزیابی روش، دو دادگان شناخته شده ی corel5k و iapr tc-12 استفاده شده اند. روش پیشنهادی برای دادگان corel5k سبب افزایش کارایی سامانه با در نظر گرفتن معیار f1 از 0.25 به 0.333 و برای دادگان iapr tc-12 از 0.3 به 0.364 شده است. در ارزیابی عملکرد حاشیه نویسی، روش پیشنهادی در مقایسه با سایر روش ها روی دادگان corel5k عملکردی معادل با بهترین روش و برای دادگان iapr tc-12 بهبود داشته است. هم چنین روش پیشنهادی از نظر کیفیت رتبه بندی تصاویر (معیار میانگین دقت متوسط) در مقایسه با سایر روش ها روی دادگان corel5k بهبودی نداشته است ولیکن در دادگان iapr tc-12 نسبت به بهترین روش بهبود حاصل شده است.

طراحی نرم افزار یکی از سخت ترین و پیچیده ترین وظایف در توسعه نرم افزار می باشد. در اغلب متدولوژی های توسعه نرم افزار، مرحله طراحی بعد از مرحله تحلیل انجام می گیرد. در مرحله تحلیل به چیستی نیازمندی ها پرداخته می شود در حالی که مرحله طراحی به چگونگی محقق سازی نیازمندی ها می پردازد. در واقع طراحی، یک فرآیند مبتکرانه برای تبدیل صورت مسئله به راه حل ها می باشد. بنابراین فرآیند مبتکرانه طراحی نرم افزار به دلیل پیچیدگی و مستعد خطا بودن از اهمیت خاصی برخوردار است. بررسی روش های مختلف طراحی نرم افزار نشان می دهد که روش های مبتنی بر معماری نقش بنیادی در موفقیت طراحی نرم افزار ها داشته است. در این روش ها مهم ترین فعالیت، شناسایی مولفه ها و تعیین ارتباط بین آنها می باشد که این مسئله در دسته مسائل np-hard قرار می گیرد. تا کنون روش های متعددی بمنظور شناسایی مولفه های معماری ارائه شده است که بیشتر آنها مبتنی بر روش های خوشه بندی کلاسیک می باشند. در این روش ها فقط به دو عامل اتصال و انسجام پرداخته شده است و به عوامل دیگری که در شناسایی مولفه های معماری نرم افزار موثر هستند توجهی نشده است. به همین دلیل استفاده از آنها منجر به شناسایی مولفه های معماری متفاوت با دید متخصص شده است. یکی از حوزه های جدید تحقیقاتی بمنظور خودکارسازی فرآیند های مهندسی نرم افزار استفاده از روش های جستجو برای حل مسائل مهندسی نرم افزار است. ایده اصلی این رویکرد اینست که فضای راه حل های ممکن برای هر مسئله مهندسی نرم افزار به صورت فضای جستجو در نظر گرفته می شود، سپس با استفاده از روش های جستجوی مناسب، راه حل بهینه بدست می آید. این رساله دارای دو هدف: 1) خودکارسازی طراحی معماری نرم افزار با رویکرد جستجوبنیان و 2) توسعه الگوریتم ژنتیک بمنظور طراحی معماری نرم افزار است. منظور از خودکارسازی طراحی معماری نرم افزار اینست که با استفاده از فرآورده های فاز تحلیل و نیازمندی های یک سامانه، مولفه های معماری و روابط بین آنها با توجه به محدودیت های موجود بصورت خودکار شناسایی شوند. در این رساله چهار روش شناسایی مولفه های معماری نرم افزار ارائه شده است و این روش ها با 7 سامانه به عنوان مورد مطالعه ارزیابی شده اند. هریک از این روش ها دو هدف خودکارسازی طراحی معماری نرم افزار و توسعه الگوریتم ژنتیک را دنبال می کنند. در اولین روش تلاش شده است که مسئله شناسایی مولفه های معماری نرم افزار به یک مسئله جستجو نگاشت شود و با استفاده از الگوریتم ژنتیک استاندارد به عنوان یک روش بهینه سازی حل شود. در دومین روش تلاش شده است که الگوریتم ژنتیکی مخصوص مسئله شناسایی مولفه ها طراحی شود که در آن عملگر های ژنتیکی متناسب با این مسئله تعریف شده است. در سومین روش تلاش شده است که تعدادی از محدودیت های موثر در شناسایی مولفه ها مانند مدل استقرار مولفه ها، چارچوب های برنامه نویسی و مولفه های قدیمی قابل استفاده مجدد در الگوریتم ژنتیک گنجانده شود تا مولفه های بدست آمده این محدودیت ها را رعایت کنند. در چهارمین روش تلاش شده است که امکانی فراهم شود که معمار(ان) نرم افزار بصورت مستقیم با الگوریتم ژنتیک تعامل کنند و دانش آنها سبب راهنمایی الگوریتم ژنتیک در شناسایی مولفه ها شود. با بررسی های موردی انجام شده، مزیت هر روش و قابلیت کاربری هر روش تشریح شده است.

پیش بینی بازار سهام از گذشته تا به حال به عنوان یک کار پر چالش در نظر گرفته شده است. یکی از دلایل مهم این امر عدم وجود قطعیت در نحوه حرکت بازار سهام می باشد. از جمله عوامل تأثیرگذار در قیمت سهام می توان به وضعیت کلی اقتصاد یک کشور، انتظارات سهام داران و خریداران و فروشندگان سهام نسبت به وضعیت آینده بازار و همچنین تحولات سیاسی اشاره کرد. از نقطه نظر فنی قیمت های سهام در روند زمان یک سری زمانی را تشکیل می دهند که تحلیل این سری زمانی به علت غیرخطی بودن و وجود نویز زیاد در آن دشوار است. این پژوهش به دنبال استفاده از شاخص های تکنیکی بازار سهام برای پیش بینی آینده قیمت های سهام است. به علت فضای بزرگ جستجو، در این پژوهش از الگوریتم های تکاملی برای کاوش الگوهای ترتیبی شاخص های سهام کمک گرفته می شود. در این پژوهش دو روش برای پیش بینی کوتاه مدت قیمت های بازار سهام ارائه شده است. در روش اول این پیش بینی با استفاده از قیمت های گذشته یک شرکت و با هدف پیش بینی قیمت های آینده همان شرکت صورت می گیرد و در روش دوم از قیمت های سایر شرکت هایی که از همبستگی بالایی با شرکت مورد نظر برخوردارند نیز استفاده می شود. روش های پیشنهادی روی مجموعه داده ای متشکل از 29 شرکت حوزه فناوری اطلاعات بازار بورس نیویورک آزمون شده است و با دو روش به عنوان روش های محک به نام روش خرید و نگهداری و روش خرید و فروش تصادفی مقایسه شده است. نتایج به دست آمده نشان می دهد که روش های پیشنهادی با بکارگیری یک روش هوشمندانه مدیریت سبد خرید بهتر از دو روش محک مذکور عمل می کنند. همچنین در انتها پنچ روش دیگر نیز با روش های پیشنهادی مقایسه شده اند که روش اول پیشنهادی با کسب سود 13.5% و روش دوم پیشنهادی با کسب سود 17.2% از روش های مقایسه شده بهتر عمل کرده اند.

در این پژوهش، برای نخستین بار توانایی سامانه ماشین بینایی (تصویربرداری مرئی و فراطیفی) به‎منظور کیفیت سنجی عسل بررسی شد و همچنین مقایسه ای بین روش طیف‎سنجی nir و ماشین بینایی برای تشخیص تقلب در عسل صورت گرفت. در این راستا تصاویر نمونه‎های عسل در ناحیه مرئی و nir گرفته شد. با توجه به ارتباط بین رنگ عسل و برخی پارامترهای تغذیه ای آن مدل‎هایی برای پیش‎بینی این پارامترها با استفاده از اطلاعات مستخرج از تصاویر مرئی ایجاد شد. همچنین این پژوهش پتانسیل کاربرد تصویربرداری فراطیفی را برای تشخیص تقلب در عسل نشان داد.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.

یکی از کاربردهای شبکه حسگر نظارت بر محیط و ردیابی اشیاء متحرک است. از آنجا که انتقال داده بر روی شبکه بیشترین سهم را در مصرف انرژی دارد، یکی از روش های کاهش مصرف انرژی در شبکه حسگر، کاهش تعداد بسته های ارسالی بر روی شبکه است. در این پژوهش ما یک الگوریتم مبتنی بر پیش بینی برای ردیابی اشیاء در شبکه حسگر ارائه می کنیم. در این روش گره ها به صورت سلسه مراتبی در شبکه قرار می گیرند و سعی می شود در هر گره با ساختن یک مدل پیش بینی مناسب، از ارسال داده هایی که توسط مدل قابل پیش بینی هستند خودداری کرده و با کاهش تعداد بسته های ارسالی ، انرژی مصرفی گره ها را کاهش داد. بدین منظور از تکنیک پیش بین دوگانه در دو سر خط ارتباطی بهره گرفته می شود. در این تکنیک از دو پیش بین همگام در دو سر خط ارتباطی استفاده شده و از ارسال داده هایی که توسط پیش بین ها قابل پیش بینی است، خودداری می شود. برای کاهش هر چه بیشتر تعداد بسته های ارسالی در شبکه، از این تکنیک در دو سطح گره حسگر-سرخوشه و سرخوشه-سینک استفاده شده است. اکثر تحقیقات پیشین سعی نموده اند به کمک استفاده از زمانبندی خواب، میزان انرژی مصرفی گره های حسگر را کاهش دهند. روش پیشنهادی ما تضادی با این روشها نداشته و با اینگونه روشها قابل ترکیب است. کاهش تعداد بسته های ارسالی علاوه بر افزایش طول عمر شبکه، باعث افزایش مخفیانگی شبکه حسگر در کاربردهایی چون محیط های نظامی می شود. همچنین در نتایج شبیه سازی که در بیش از 100 پیکربندی مختلف انجام شد، مشخص گردید به کمک این روش می توان مصالحه ای بین دقت ردیابی و انرژی مصرفی ایجاد نمود و با وجود کاهش بیش از 20% تعداد بسته های ارسالی در شبکه، دقت ردیابی مناسبی را (خطای ردیابی کمتر از 6% شعاع حسی) ارائه نمود.

سرطان خون یا لوسمی، بیماری پیشرونده و بدخیم اعضای خون ساز بدن بخصوص مغز استخوان می باشد، که با تکثیر ناقص گویچه های (سلولهای) خون و پیش سازهای آن در خون و مغز استخوان ایجاد می شود. بکارگیری روش های تشخیصی بموقع و دقیق می تواند میزان مرگ و میر ناشی از این بیماریها را کاهش داده و سبب افزایش بقای عمر بیماران مبتلا به لوسمی گردد. در این تحقیق، یک سیستم کمک تصمیم ساز به منظور طبقه بندی انواع لوسمی بر اساس تئوری بازی های مبتنی بر همکاری, ارائه شده است. این سیستم می تواند به هماتولوژیست ها و پاتولوژیست ها در تشخیص دقیق انواع مختلف لوسمی، یاری رساند و خطاهای احتمالی را کاهش دهد. در این سیستم, فرض بر این است که بیماری ها در یک بازی شرکت نموده و مارکرهای مختلف تشکیل دهنده یک بیماری – نتایج حاصل از آزمایشات فلوسایتومتری- به عنوان بازیکنان این بازی ایفای نقش می کنند. از آنجاییکه به منظور تشکیل هر بیماری, بایستی تمامی مارکرهای آن در کنار یکدیگر قرار گیرند، بنابراین بازیکنان با یکدیگر ائتلاف بزرگی را تشکیل می دهند. همکاری و شرکت مسالمت آمیز بازیکنان، بیان کننده بازی مبتنی بر همکاری و ایجاد یک ائتلاف ضروری می باشد. یکی از مهمترین راه حل های بازی های مبتنی بر همکاری، مقدار شیپلی می باشد که بصورت عادلانه سهم هر یک از بازیکنان را در یک بازی مشخص می نماید. بنابراین می توان به منظور تعیین سهم مشارکت هر یک از بازیکنان در این بازی (سهم هر مارکر در تشکیل بیماری) از مزایای مقدار شیپلی بهره جست. به عبارت دیگر، متناسب با مقدار سهمی که هر یک از مارکرها در تشکیل یک بیماری خاص دارند، با محاسبه مقدار شیپلی می توان وزن خاصی به آنها نسبت داد و با توجه به این اوزان، انواع مختلف لوسمی را از یکدیگر جدا و طبقه بندی نمود. داده های مورد استفاده در این فعالیت همگی از نوع واقعی و بر اساس نمونه های مختلف لوسمی، جمع آوری شده از سازمان انتقال خون ایران می باشند. مجموعه داده، شامل 304 نمونه خون و مغز استخوان افراد بیمار می باشد. در این طبقه بندی، 8 طبقه بیماری در نظر گرفته شده است. نتایج حاصل از این تحقیق با دقت 96/3 درصد، بیان گر توانایی تئوری بازی مبتنی بر همکاری در طبقه بندی دقیق نمونه ها می باشد.

با ظهور اینترنت و تجاری سازی آن سازمان ها نیز متمایل به یکپارچه سازی برنامه های کاربردی خود شدند. در جهت رسیدن به این خواست میان افزارها به عنوان یک تکنولوژی که نیازی به مهندسی مجدد فرآیندها ندارد ایجاد گردید. به کمک میان افزارها به خصوص میان افزار پیام گرا امکان ارتباط بین موجودیت ها در درون و بیرون سازمان فراهم شد. از سویی دیگر بررسی ها نشان می دهد که تولیدکنندگان صنایع الکترونیکی به عنوان جزیی از سازمان های درگیر یکپارچه سازی در زمینه تولید صفحات مدار چاپی الکترونیکی، دارای این مشکل واحد هستند که ماشین آلاتشان قابلیت اطمینان، نگهداری و کارایی کافی ندارد که این چالش سبب افزایش هزینه ها و کاهش تولید گردیده است. بسیار ضروری به نظر می رسد که این صنایع باید از ماشین آلاتی استفاده نمایند که با استفاده از چارچوب های استاندارد بتوانند داده های لازم را در جهت بهبود در کارایی گردآوری نمایند. برای برآورده سازی این نیاز سیستمی طراحی شده است که برپایه میان افزار پیام گرا بوده و با استفاده از استانداردهای معرفی شده می تواند به یکپارچه سازی بین خطوط تولید و برنامه های کاربردی سازمان بپردازد. این سیستم با فراهم آوردن محیط برنامه نویسی مشترک، پنهان سازی ناهمگنی ها، توزیع سخت افزار و پنهان سازی جزییات برنامه نویسی سطح پایین، توسعه پذیری را آسان تر می سازد و به کمک آن امکان برقراری ارتباط غیرهمگام، قابل اطمینان و تضمین شده فراهم می آید. هدف از این کار در وهله اول نظارت بر خط تولید و سپس کنترل آن بر اساس توانایی های میان افزار است. در جهت کاهش پیچیدگی های طراحی و توسعه آسان تر در این محیط یک لایه واسط معرفی گردیده است که برنامه های کاربردی درگیر بتوانند از آن برای برقرای ارتباطات خود استفاده کنند. همچنین یک تکنیک خاص جهت همگام سازی ارتباطات در جهت نظارت بلادرنگ بر خط تولید به کار برده شده است. درنهایت می توان گفت که یک سرویس دهنده میان افزاری دراختیار است که امکان نظارت بر فرآیندها را فراهم می کند.

با افزایش رقابت میان تامین کنندگان اینترنت لزوم شناخت مشتریان بیش از پیش احساس می شود از اینرو بخش بندی مشترکین به عنوان یکی از راه های شناخت نیازهای مشتریان مشابه اهمیت می یابد. بخش بندی مشتریان با استفاده از روشهای داده کاوی امروزه سازمانها را بیش از پیش توانمند ساخته است. در این تحقیق سعی ما بر این بوده است تا با استفاده از داده های مصرف مشترکین و اطلاعات حاصل از پروفایل مشترکین، به نیازهای هر بخش پی ببریم و از این دانش ایجاد شده در حوزه های مختلفی چون تولید محصول ، مهندسی ترافیک و مدیریت ارتباط با مشتریان استفاده نماییم. از آنجا که رفتار مصرف مشترکین در واحد زمان تغییر می کند از روشهای مربوط به خوشه بندی سری های زمانی به منظور شناخت الگوهای مصرف مشابه استفاده نمودیم. سریهای زمانی معمولاً دارای ابعاد طولانی هستند که این امر کار پردازش آنها را چه از نظر حافظه و چه از نظر زمان با مشکل روبرو می سازد. اما خوشبختانه به دلیل وابستگی زیاد بین مقادیر متوالی یک سری زمانی، تکنیکهای کاهش ابعاد داده ، قبل از انجام هر گونه پردازشی، راهکار مناسبی برای حل مشکل ابعاد آنها می باشد. . در نتیجه روشهای کاهش داده بر روی این دسته از داده ها همچون تکنیکهای dft، dwt، paa ،apca ،svd و sax مورد بحث قرار گرفت و مقایسه ای کلی نیز از روشهای مختلف اشاره شده، ارائه گردید. در ادامه به بررسی تأثیر استفاده از روش های کاهش ابعاد داده فوق الذکر در خوشه بندی به وسیله الگوریتم k-means پرداختیم و با انجام آزمایشات وسیع به این نتیجه رسیدیم که روش کاهش داده dft نسبت به باقی روشهای اشاره شده در پارامترهای زمان محاسبه و نتایج بر روی داده های مصرف کاربران اینترنت بهتر عمل می نمود. در ادامه نیز در مورد تعداد ابعاد سری های زمانی در فضای جدید، دو روش انرژی سیگنال و روش عدم تطابق را ارائه نمودیم. در ادامه الگوریتم خوشه بندی افزایشی سریهای زمانی i-kmeans که توسط lin ارائه شده بود را تصحیح نمودیم و با استفاده از داده های مصرف مشترکین adsl نشان دادیم این روش به لحاظ زمان محاسبه و همچنین از نظر معیار ارزیابی خوشه بندی davis-bouldin بهتر از الگوریتم های k-means و i-kmeans عمل می نماید. همچنین در این تحقیق مدلی به منظور بخش بندی مشترکین adsl پیشنهاد و به روی داده های جمع آوری شده از یکی از بزرگترین isp های کشور پیاده سازی نمودیم. مدل پیشنهادی در دو محیط سری های زمانی (رفتار مصرف) و محیط پروفایل کاربران، فرآیند داده کاوی را اجرا می نماید و در محیط آنالیز و تصمیم گیری به تلفیق نتایج حاصله از دو محیط مذکور می پردازد.

پایان نامه حاضر به چگونگی ارسال بسته های ‏‎ip‎‏ موجود در شبکه های وسیع مبتنی بر ‏‎tcp/ip‎‏ روی پروتکل بی سیم بلوتوت می پردازد. ارسال بسته های‏‎ip‎‏ روی پروتکل بی سیم دارای مشکلاتی از قبیل افت حجم ترافیک اراسلی است. هدف آن است که ضمن شناخت پروتکل های پایه ، معماریها و راهکارهای پیشنهادی برای تلفیق این پروتکل ها را مورد بررسی قرار داده و لایه ای برای ارتباط این دو پروتکل طراحی و شبیه سازی شود که مستلزم کمترین تغییر در پروتکل های پایه بوده و از طریق آن بتوانیم بسته های ‏‎ip‎‏ را روی پروتکل بی سیم با کارایی بالایی ارسال کنیم. در این صورت قادر خواهیم بود ارتباط ریز شبکه های مبتنی بر بلوتوت را با شبکه های وسیع مبتنی بر ‏‎tcp/ip‎‏ با کارایی بالایی برقرار سازیم. معماری واسط پیشنهادی و نتایج حاصل از شبیه سازی آن مانند زمان ارسال بسته ، تعداد بسته های ارسالی ومیزان خروجی نشانگر برآورده شدن اهداف فوق نسبت به حالت بدون واسط دارد.

اصطلاح بافت در لغت به معنی سطحی از یک ماده بافته شده می باشد و در مورد تصاویری بکار می رود که حاوی یک یا چند الگو باشند که بصورت باقاعده یا بی قاعده تکرار شده است. هدف از بکارگیری تکنیک های تقطیع یا بخش بندی بافت در یک تصویر، جداسازی اشیا، موجود از یکدیگر و یا از زمینه آن می باشد. این تکنیک ها مناطقی از تصویر شامل بافت های گوناگون را یافته و هر بافت را با سطح خاکستری مختص خود جایگزین می کنند. بنظر می رسد که روشهای کلاسیک تقطییع بافت مانند روش های ماتریس هم وقوعی، فیلترهای گابور، میدان تصادفی مارکوف و فرکتال، مناطق مرزی بین دو بافت را بخوبی تشخیص نمی دهند، زیرا قادر به بدست آوردن ویژگی یا ویژگی هایی که نرخ طبقه بندی را بهینه کند، نیستند. در این پایان نامه، رهیافتی جهت افزایش کیفیت تقطیع بافت با بکارگیری الگوریتم های ژنتیک ارائه شده است، و ضمن ارائه چگونگی پیاده سازی فعالیت انجام شده، نتایج بدست آمده بر روی تصاویر مونتاژ شده بانک تصاویر استاندارد ‏‎brodatz‎‏ مورد بررسی قرار گرفته است. نرخ دقت بخش بندی بر روی این تصاویر با استفاده از روشهای کلاسیک میدان تصادفی مارکوف و ماتریس هم وقوعی بترتیب برابر 5/73% و 73% بدست آمده است که با استفاده از الگوریتم های ژنتیک به حدود 90% افزایش یافته است.

سیستمهای مبتنی بر بینایی ماشین، امروزه مورد توجه بسیاری از محققین قرار گرفته و برای آن کاربردهای زیادی تعریف شده است. در حال حاضر، وجود امکانات مورد نیاز برای طراحی و پیاده سازی سیستمهای بینایی ماشین با کارایی و قابلیت اطمینان بالا، میزان تقاضا برای استفاده از چنین سیستمهایی در سطح زندگی روزمره افراد جامعه را بالا برده است. در این میان، سیستمهایی برای کاربرد در امر رانندگی طراحی و پیاده سازی شده اند که به طور کلی به سیستمهای دستیار راننده شهرت دارند. یک سیستم دستیار راننده، سیستم مبتنی بر بینایی ماشین است که در جهت بالا بردن ضریب اطمینان در امر رانندگی، طراحی و پیاده سازی می شود. بررسی آمار تصادفات نشان می دهد که بسیاری از حوادث رانندگیناشی از انحرافات است. با توجه به پیشرفت شگرف در فن آوری رایانه ای، می توان سیستمهای مبتنی بر بینایی ماشین را در این مورد بکار گرفت تا با استفاده از آمار حوادث رانندگی را بهمیزان قابل ملاحظه ای کاهش داد. در این پایان نامه، ابتدا سیستم دستیار راننده معرفی می گردد. در ادامه تحقیقات انجام پذیرفته در این راستا مورد بررسی قرار می گیرد. سپس طراحی و مدلسازی یک سیستم بادرنگ دستیار راننده عنوان می شود. این سیستم امر شناسایی خطوط جاده و موانع روی جاده را با بررسی 21 تصویر در ثانیه انجام داده و اخطارهای لازم را به راننده اعلام می کند.

بازیابی تصویر براساس محتوا مبحثی است که با افزایش تعداد تصاویر دیجیتالی و قدرت پردازش کامپیوترها مطرح شده است. بازیابی تصویر را می توان نوعی مساله دسته بندی الگو در نظر گرفت. در این حالت اطلاعات دریافتی از کاربر، که به آن بازخورد ارتباط می گوییم، می تواند در بهبود بازیابی مفید واقع شود. در این پایان نامه روش احتمالی غیرپارامتری برای بازیابی تصویر براساس ارتباط ارائه شده است که از انتروپی ویژگی ها برای یافتن اهمیت هر ویژگی در بازیابی استفاده می کند.کارآیی روش پیشنهادی با سه روی دیگر، یعنی فاصله ساده اقلیدسی، فاصله وزن دار و روش غیرپارامتری بدون وزن مقایسه شده است. هم چنین تاثیر استفاده از بازخورد منفی و ترکیب شرح متنی با ویژگی های استخراج شده ازتصویر در کارآیی نیز بررسی شده اند. در مجموع و برای 9 پرس و جوی متفاوت، روش پیشنهادی بهترین کارآیی را نسبت به سه روش دیگر ارائه می دهد که در بهترین حالت به ترتیب 65% و 20% بهبود نسبت به روش های دوم و سوم مشاهده می شود. همچنین زمان اجرای این روش از (‏‎o(nmd است که ‏‎m, n‎‏ و ‏‎d‎‏ به ترتیب تعداد اعضای پایگاه داده تصاویر، تعداد بازخوردهای دریافتی از کاربر و تعداد ویژگی های هر تصویر است.